把一段会议录音交给大语言模型，让它整理成纪要，通常几秒就能得到一份读起来顺滑的文本。问题也常在这里出现：会上没有明确说过的结论，它可能替你补上；一句含糊的反对，它可能改写成“基本达成一致”。这不是它在故意撒谎，而是它在完成“把话写顺”的任务。
顺滑的文本，不等于可靠的事实
大语言模型的工作方式，决定了它很会根据上下文预测接下来更可能出现的词句。这让它擅长压缩、改写和过渡，却也让“读起来像真的”和“确实有依据”变成两件事。一段话语气连贯，不能证明其中的人名、时间或结论来自材料。对编辑来说，真正有用的不是惊叹它写得像人，而是分清哪些句子有出处，哪些是它为了通顺补上的连接。
把核对拆成几件小事
我习惯在让大语言模型动笔前，先给它划一条线：只基于我提供的材料改写，遇到材料里没有的信息，用“待确认”标出。收到稿子后，不急着润色，先做几项核对。
- 人名、部门、时间、数字是否能在原文找到对应；
- 因果关系有没有被悄悄加强，比如原文只是先后发生，稿子里却写成了“因为A所以B”；
- 语气是否偏离，尤其是拒绝、风险提示和对外承诺；
- 结论是否越过了材料的边界，把建议写成了决定。
这些动作不复杂，却决定了文本能不能直接使用。核对不是不信任工具，而是承认它和人各自负责不同环节：它负责把散乱的信息排成可读的形状，人负责确认这个形状没有改变事实。
草稿位与签字位
把大语言模型放在草稿位，而不是签字位，是目前较稳妥的分工。它适合做结构整理、语气转换、长文压缩，也适合把一份凌乱的要点改成可讨论的版本。但最终对外发布、对客户承诺、对内部决策负责的，仍然是人。省下来的时间，也不该继续堆更多草稿，而应回到核对、判断和沟通上。下一次看到一份过于顺滑的纪要，不妨先问一句：这句话，会上真的有人说过吗？